AnswersPublished13 sources
LightNav-0: jeden model RGB i języka, który ma nawigować roboty
LightNav 0 to otwarty model nawigacji oparty na Qwen3 VL, który na podstawie obrazu RGB z przodu robota oraz polecenia językowego ma realizować nawigację według instrukcji, szukanie obiektów i śledzenie celu. Projekt ogłoszono 1 września 2026 r.
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- LightNav 0 to otwarty model nawigacji oparty na Qwen3 VL, który na podstawie obrazu RGB z przodu robota oraz polecenia językowego ma realizować nawigację według instrukcji, szukanie obiektów i śledzenie celu.
- Projekt ogłoszono 1 września 2026 r. Data 17 września widoczna w serwisie GitHub odnosi się do późniejszego commitu, a nie do pierwotnej publikacji.
- Kluczowym rozwiązaniem jest wspólny interfejs tokenów: model wskazuje przejezdny kierunek i cel, a następnie generuje krótką trajektorię punktów pośrednich.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Light Origins’ open-sourced LightNav-0 navigation model, published on September 17, 2026, and how do its Qwen3-VL-4B backbone, unifi. Article summary: LightNav-0 is a compact, general-purpose embodied-navigation policy built from Qwen3-VL-4B-Instruct. It uses a single stream of egocentric RGB observations plus a language instruction to handle route following, open-voca. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
LightNav-0 to otwartoźródłowa próba stworzenia uniwersalnej polityki nawigacyjnej dla robotów. Jeden model wizyjno-językowy interpretuje obraz RGB z kamery skierowanej do przodu oraz polecenie w języku naturalnym, po czym wyznacza punkty pośrednie ruchu. Zbudowano go na bazie Qwen3-VL; ma obsługiwać wykonywanie instrukcji, nawigację do obiektu opisanego dowolnymi słowami oraz wizualne śledzenie celu — bez osobnych głowic predykcyjnych dla każdego zadania. 1
5
Light Origins podało, że model, kod i raport techniczny udostępniono 1 września 2026 r. Data 17 września widoczna przy GitHubie dotyczy późniejszego commitu w repozytorium, a nie pierwotnego ogłoszenia. 5
10
Jeden sposób opisu ruchu dla różnych zadań
Robot może otrzymać różne cele: podążać za wskazówką trasy, znaleźć nazwany przedmiot albo utrzymywać obiekt w polu widzenia. LightNav-0 zachowuje jednak ten sam format wyjścia niezależnie od zadania.
Model najpierw przewiduje dwa tokeny wskazujące pozycje na siatce obrazu:
- punkt affordancji — możliwy lokalny kierunek ruchu lub obszar, po którym robot może się poruszać;
- punkt obiektu — cel nawigacji albo śledzony obiekt.
Następnie tworzy trzy rezydualne, wektorowo skwantyzowane tokeny działania. Są one dekodowane do 10-krokowej trajektorii punktów pośrednich w przestrzeni SE(2), czyli pozycji na płaszczyźnie wraz z orientacją. W opisie z publikacji hierarchiczne książki kodowe przechodzą od decyzji w skali około 0,9 m do doprecyzowania na poziomie 7 cm, a potem 4 cm. 1
Dzięki temu jedna polityka może teoretycznie obsługiwać kilka trybów nawigacji. Instrukcja lub opis obiektu zmieniają intencję, ale decyzja zawsze ma postać wskazania przestrzennego i trajektorii. Autorzy nazywają to wspólnym interfejsem tokenów, niezależnym od zadania, sceny i konstrukcji robota. 1
Co wnosi baza Qwen3-VL
Punktem wyjścia dla LightNav-0 jest Qwen3-VL-4B-Instruct — model wizyjno-językowy dostosowany do nawigacji, zamiast uzupełniany oddzielną polityką dla każdego robota lub zadania. Założeniem jest wykorzystanie rozumienia przestrzennego modelu wizyjno-językowego w działaniu fizycznego robota. 1
W opisywanych testach monocularnych model korzysta z egocentrycznego obrazu, a nie z czujników głębi, odometrii czy kamer panoramicznych. Interfejs jest więc stosunkowo prosty: obserwacja z kamery i język na wejściu, tokeny intencji przestrzennej oraz punkty pośrednie na wyjściu. 1
Prostota modelu nie oznacza jednak, że wdrożenie jest proste. Robot nadal potrzebuje właściwej kalibracji kamery, kontrolera bezpiecznie wykonującego trajektorię oraz testów na konkretnej platformie i w jej rzeczywistym otoczeniu.
Real2Sim2Real: więcej danych bez ciągłego sterowania robotem przez człowieka
Dużą przeszkodą w uczeniu robotów jest zbieranie różnorodnych, wysokiej jakości demonstracji na fizycznym sprzęcie. Pipeline Real2Sim2Real ma przenieść większą część tej pracy do symulacji, które można później wielokrotnie wykorzystywać.
Według firmy system przekształca ponad 2 tys. pozyskanych z internetu scen wewnętrznych i zewnętrznych w zasoby symulacyjne. Na ich podstawie wygenerowano ponad 4 tys. godzin dopasowanych danych wizyjno-językowo-akcyjnych. 10 Zgłoszony proces treningowy obejmuje trzy etapy:
- trening pośredni rozumowania ucieleśnionego;
- nadzorowane dostrajanie nawigacji;
- uczenie ze wzmocnieniem online.
10
Podczas generowania danych losowano pole widzenia kamery, jej wysokość i pochylenie. Celem jest zmniejszenie zależności modelu od jednego ustawienia kamery oraz ułatwienie transferu między różnymi konstrukcjami robotów. 1
Takie podejście może ograniczyć ilość danych nawigacyjnych, które trzeba zdobywać przez wielokrotne teleoperowanie robotem. Nie dowodzi jednak, że dane z rzeczywistego świata przestają być potrzebne. Wierność symulacji, różnice między czujnikami, opóźnienia sterowania, bezpieczeństwo przy przeszkodach oraz nietypowe warunki zewnętrzne nadal pozostają ryzykami wdrożeniowymi.
Co pokazują wyniki — i czego jeszcze nie potwierdzają
W publikacji zgłoszono czołowe wyniki monocularne w 10 symulowanych ewaluacjach nawigacyjnych, uzyskane przy użyciu wspólnego checkpointu. Autorzy informują też o transferze zero-shot na roboty humanoidalne, czworonożne, kołowe i latające w wcześniej niewidzianych scenach. 1
10
To istotne twierdzenia, ponieważ sprawdzają, czy jedna polityka może obsłużyć różne zadania i różne platformy, a nie tylko zostać dostrojona do jednego benchmarku. Są to jednak przede wszystkim wyniki raportowane przez autorów. Kluczowym sprawdzianem uniwersalności będą niezależne reprodukcje — szczególnie na prawdziwych robotach, w niekontrolowanych warunkach wewnętrznych i zewnętrznych.
Co udostępniono programistom
Publiczne repozytorium GitHub opisuje LightNav-0 jako ogólny model nawigacji ucieleśnionej oparty na Qwen3-VL i przedstawia wspólny interfejs tokenów. 5 Light Origins deklaruje również, że wydanie obejmuje model, kod oraz raport techniczny.
10
Dla zespołów rozważających testy ważniejsze od samego uruchomienia modelu jest dopasowanie całego łańcucha do docelowego robota: wejścia RGB i językowego, wyjścia w postaci punktów pośrednich, konfiguracji kamery oraz kontrolera niskiego poziomu. Rzetelna ocena powinna zestawić wyniki z symulacji z próbami w świecie rzeczywistym, sprawdzić procedury bezpieczeństwa oraz potwierdzić aktualne artefakty wydania i warunki licencji przed użyciem produkcyjnym lub komercyjnym.
Najważniejszy wniosek
LightNav-0 proponuje powtarzalny przepis na nawigację ucieleśnioną: użyć kompaktowego modelu wizyjno-językowego, zapisać różne zadania w tym samym języku tokenów wskazujących i punktów pośrednich, a dużą część danych dopasowujących wygenerować w pipeline’ie Real2Sim2Real. 1
10
Jeżeli deklarowany transfer między robotami potwierdzi się w niezależnych testach terenowych, podejście może ograniczyć potrzebę tworzenia nowego zbioru demonstracji teleoperowanych dla każdego zadania i każdej platformy. Na razie to otwarty, precyzyjnie opisany punkt wyjścia do badań i wdrożeń — nie zaś rozstrzygający dowód, że pojedyncza kamera RGB i model językowy rozwiążą problem ogólnej nawigacji w każdych warunkach.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "LightNav-0: jeden model RGB i języka, który ma nawigować roboty"?
LightNav 0 to otwarty model nawigacji oparty na Qwen3 VL, który na podstawie obrazu RGB z przodu robota oraz polecenia językowego ma realizować nawigację według instrukcji, szukanie obiektów i śledzenie celu.
What are the key points to validate first?
LightNav 0 to otwarty model nawigacji oparty na Qwen3 VL, który na podstawie obrazu RGB z przodu robota oraz polecenia językowego ma realizować nawigację według instrukcji, szukanie obiektów i śledzenie celu. Projekt ogłoszono 1 września 2026 r. Data 17 września widoczna w serwisie GitHub odnosi się do późniejszego commitu, a nie do pierwotnej publikacji.
What should I do next in practice?
Kluczowym rozwiązaniem jest wspólny interfejs tokenów: model wskazuje przejezdny kierunek i cel, a następnie generuje krótką trajektorię punktów pośrednich.